4月9日，智能引领未来——2018深圳国际机器人与智能系统院士论坛由工业和信息化部、深圳市人民政府联合指导，国际电气电子工程师学会（IEEE）、中国科学院深圳先进技术研究院、深圳中电国际信息科技有限公司联合主办，众多国内外知名专家、行业领袖受邀出席论坛，围绕机器人智能、脑机交互技术、演化计算、区块链等话题发表主题演讲，共同探讨机器人与智能制造业的发展。
2017年，为贯彻落实“中国制造2025”和新一代人工智能发展规划，工信部制定了促进新一代人工智能产业发展三年行动计划（2018-2020年），以加快人工智能产业发展，推动人工智能和实体经济深度融合。
来自南方科技大学计算机科学与工程系的姚新主任，从理论上到实践，为我们系统化描述演化计算，一下是姚新主任的演讲全文。
首先感谢毕秘书长给我机会，来这里讲一下我自己感兴趣做的研究。
给大家兜售一点湿货，大部分可能不知道南方科技大学的计算机科学与工程系，因为计算机科学与工程系在南方科技大学只有一岁半，从2016年8月份到现在。从2016年8月份开始运行，2017年我们就有了第一批本科毕业生。去年我们招了19个硕士生和21个博士生。一年半以后，我们现在有19个老师，希望将来能到55个。
计算科学与工程系的研究领域分五大块，系统研究、数据科学、理论、系统与网络、认知系统。小组里面有5个老师，还有一些来自五湖四海的博士，有一些是偏理论的，主要是做统计机器学习，袁博士做的是电路设计和机器优化。我们做很多学习、优化和交叉之间的工作，因为光学习不做优化是很奇怪的，所学的东西是拿来做决策用的，怎么光考虑学习、不考虑优化呢，所以我们考虑学习和优化在一起。优化考虑很多，多目标优化、动态优化和环境的优化等等。
那么为什么要研究演化计算？哪怕现在的计算机或者机器人聪明到什么程度，通常都会很使劲的敲键盘，因为你写一个什么程序，不就是少一个逗号或者括号，空格有的编译不一样，让人很苦恼。人很少同样的错误犯两次，但是计算机有时候就很麻烦。
另外，制式与能力比较差。把四周自然的系统也看作是计算系统，实际上自然系统也是计算系统，大脑的系统也是计算系统，一些机械的系统，包括汽车运行的过程也可以看做一个计算系统。自然界有很多值得做计算机科学的人学习的地方，自然系统问题求解方法跟计算机问题求解方法互补，而且通常解出来的还比较简单。这就是我讲的为什么要对演化计算这种技术进行研究，实际上对大家深度应用的神经网络，比如人工神经网络也是受到大脑的启发和影响，这个演化计算或者演化算法是通过生物的进化来的。
演化算法背后有一个思想是适者生存，把好的解留下来，差的解筛选出去，不断做迭代。我下面举四个例子，通过四个例子说明一下演化计算是做什么的。
第一个例子，机器学习实际上是数据驱动建模型。通过一部分实验数据，然后研究产生数据背后的抽象模型是什么。铝合金材料的设计，以前是建模，现在是尽量用演化算法，尽量减少在实验室的时间。通过方程组和实验数据，要通过实验研究材料在实验中的表现行为，以找出材料这种的常数。这个方程没有解析解，只有数字解，有一种方式是我们将该问题当做一个优化的过程，当方程的左边和右边的差为零时，就找到了最优解。可以用演化算法来做优化，这个优化就是解方程、找数字图。这个找出来的解对设计铝锭、铝合金来说是最好的，就是找数字常数、材料常数找得最精确的。
第二个例子，优化的时候往往有一个不成文的假设，优化的环境和优化的目标是一成不变的，但是实际实验中会是变的。
第三个例子，说一下多目标优化。多快好省是70年代的口号，但是这做不到，多、快、好还要省，这很难做到你要多、快、好就要花钱，所以就要折中，的确想少花钱，但的确又想好，这时候不能单看一个指标，要几个指标同时看，作为决策者来选择我希望的折中方案，这就是多目标优化的很典型的场景。
我们处于一个很大的软件系统中，需要求解式的把所有可能的都做到也不可能。我在有限的资源和有限的时间里，如何对大软件系统的各个模块进行测试，使得系统的测试准确率最大化，限的人和有限的钱分配到软件的大模块，目标是整个软件准确率高。
这就是我的结束语，希望我讲的这几个小例子让大家能记住这三句话：第一，演化计算经常用到智能优化和机器学习当中，但是这种机器学习跟大家平常说的深度学习的机器学习不是很一样。第二，演化计算在机器人的脑体一体化设计中应该有相当大的用武之地。第三，演化计算可能是人工智能的下一个热点。
谢谢大家！
